图片来源：

https://588ku.com/ycbeijing/6259784.html

原文信息：

Achyuta Adhvaryu, Namrata Kala and Anant Nyshadham, Returns to On-the-Job Soft Skills Training, Journal of Political Economy, 2023, 131(8): 2165-2208 DOI:10.1086/724320

原文连接：

https://doi.org/10.1086/724320

软技能，如领导力、沟通能力、团队合作和协同能力，是劳动市场成功的重要因素。最近的实证分析表明，同事之间互动交流的质量是生产力的重要决定因素(Amodio and Martinez-Carrasco, 2018;Bandiera et al., 2010, 2013)。目前对世界各地企业的调查研究证实，虽然软技能需求量很大，但公司往往很难找到具有高水平软技能的员工(Cunningham and Villasenor, 2016)。因此，一些企业可能希望通过培训员工的软技能来弥补传统教育中对这些技能的忽视。但是，软技能在成年期的可塑性，以及旨在提高这些技能储备的培训项目是否真的能对生产力产生因果影响，这些问题刚开始被探讨(Acevedo et al., 2017; Ashraf et al., 2017; Campos et al., 2017; Groh et al.,2012)。因此，本文作者探讨的问题主要有三个方面。首先，在职软技能培训对工作场所生产力的因果影响是什么？其次，软技能培训对哪些工人或处在什么条件下的工人的生产力影响最大？最后，在权衡对工资和留用率的影响与生产力提高时，公司为员工提供在职软技能培训是否值得？

为了回答这些问题，作者与印度最大的成衣出口公司合作，评估了一个基于工作场所的软技能培训计划，名为“个人进步和职业提升”(P.A.C.E.)计划。该计划内容为广泛的生活技能方面的培训，包括沟通、时间管理、问题解决和决策制定，以及有效的团队合作等模块。工人们需要在团队中生产，需要有效的沟通、领导、计划和问题解决技能，以便与其他团队成员解决生产问题（例如，实时识别并解决瓶颈问题），并以更高效的方式向上级反馈信息（例如，通知他们机器故障，请求帮助完成操作或达到目标等）。

通过实证分析，本文发现，接受过软技能再培训的工人的生产力提高了7.4个百分点。生产力的增加效应在那些培训以前领导技能较低的工人中更大。此外，与接受过培训的工人在同一生产线上的未参加培训的同事也表现出了大幅度的生产力增长（幅度超过直接处理效果的80%）。作者解释，此现象主要因为生产力提高主要来自于课程所传授的团队协作和协同工作技能。虽然接受培训工人的生产力得到了巨大而持久的提高，晋升的可能性也增加了，但作者发现，培训对工资或工人留用率没有影响，这主要是因为劳动力市场的摩擦阻碍了工人从培训中获得更多的生产力租金(Acemoglu, 1997; Acemoglu and Pischke, 1999)，软技能在招聘和工资制定过程中没有被作为判断的依据。

2.1 背景

服装是世界上最大的出口部门之一，印度是世界上最多的纺织品和服装生产国之一。服装制造业在整个全球产业中仍然是一个劳动密集型的过程，这些服装主要是在生产线上缝制的。每条生产线一次生产一种服装款式，平均持续数周，直到数千件该服装款式的完整订单完成并准备发货给买家。平均每件服装（例如，一件男式编织纽扣衬衫）将涉及大约50次机器操作（例如，左袖结构、右袖结构、右袖、左袖、袖扣孔、袖扣连接等），所有这些操作预计总共需要大约30-35分钟才能完成一整件服装。在作者研究的环境中，每条生产线由大约由50-70名工人组成，几乎每个工人都在接触生产线生产的每件衣服。

生产线上的大多数工人都被分配到完成缝纫操作的机器上（一个人对一台机器），以完成制作一件完整服装所需的50多项操作。剩下的工人执行与缝纫互补的任务，例如在将接缝送入机器之前折叠、对齐和熨平接缝。

个人进步和职业提升(P.A.C.E.)项目最初是由Gap公司为低收入环境中的女性制衣工人设计并首次实施的，在作者研究的五个工厂中尚未实施P.A.C.E.项目。项目时长80小时，旨在提高其受训者的生活技能，如时间管理、有效沟通、问题解决和决策制定。

在该项目的最后一个月，一个名为“卓越执行”的模块让参与者将三个核心模块中教授的技能（例如，有效和适当的沟通、识别问题和潜在的解决方案、边做边学、目标设定、计划时间使用和任务优先级）应用到团队合作练习中。尽管大多数模块包括将所学技能应用于工作场景的小组练习，但在这个模块的最后一个月，明确强调了所有这些技能如何有助于有效的团队合作和协作，以及团队合作本身的核心重要性。

2.2 实验设计

项目的参与者是从那些表示有兴趣并承诺参加该项目的员工中挑选出来的。再抽彩票之前，承办方会告诉申请人们申请人数已经超过需求人数，将根据彩票结果随机选择一部分工人来实际接受培训，没抽到的工人有权参加下一批培训的后续抽签。筛选分为两个级别：一线级别（筛选受试生产线，高于和低于效率中位数，高于和高于出勤率中位数，以及高于和低于抽签报名人数中位数），然后在实验组生产线内的个人级别再选择接受项目的个人。这五家工厂共有112条生产线。在随机分组的第一阶段，每个工厂内大约三分之二的生产线被随机分组接受治疗，产生了80条试验线和32条对照线。在随机分组的第二阶段，在随机分组接受项目的生产线中，从每个生产线随机选择固定数量的工人（13-14）参加P.A.C.E.计划。

142703名工人报名参加项目的抽签，其中1087人被选中接受培训。在1616名未经培训的工人中，779名工人在控制组生产线上，其余837名工人在实验组生产线上。前一组（控制组生产线上未经培训的工人）作为对照，后一组（接受项目的生产线中未经培训的工人）用于估计溢出效应。

本文利用工厂的管理数据和调查数据来评估该计划。

3.1 生产数据

生产率数据通过分配给缝纫车间每条生产线的平板电脑收集。本文研究的生产力的关键度量是生产效率。为了计算出工人级别的日平均生产量，将每个工人一天中（8个生产小时）的效率平均下来，在工人小时级别，定义“生产件数”为在生产小时结束时通过工人工作站的服装数量。程序的目标数量是通过一种称为“标准允许分钟数”（SAM）的衣服和操作复杂度的度量来计算的。SAM被定义为生产一件特定款式的单件服装所需的分钟数。也就是说，一个SAM为30的服装款式被认为需要半个小时来生产一件完整的服装，如果这条生产线由60名机器操作员，那么生产线的平均工人小时SAM为0.5。SAM这项指标是全球服装行业的标准化指标，取自工业工程数据库。该指标会根据数据库中代表性服装风格的风格差异进行修改，并且任何修改都由抽样部门进行探讨和建议。工人在给定时间内能够完成的目标数量以目标时间除以SAM计算。也就是说，对于SAM为0.5的操作，工人在一小时内生产的工件的目标数量将为60/.5=120。

生产数据包括工人正在进行的特定操作的标识符，以及整个生产线正在进行的服装风格。除了SAM测量的分配给工人的操作的复杂性和在工日级别实现的效率外，这些生产数据还允许我们计算给定一天特定生产线上的工人数量和操作，以及在同一操作中共同工作的其他工人的数量和待遇状态。

3.2 人力资源数据：考勤和薪资

本文还获得了从培训前6个月到培训结束后18个月的工人日常数据和月薪数据。员工的人口统计特征、出勤率、任期和工资数据都保存在公司管理的数据库中。人口统计数据中可用的变量包括年龄、员工加入公司的日期、性别、母语和教育程度。工人级别的每日出勤数据包括工人是否在给定日期上班，是否授权缺勤，以及工人是否在指定日期迟到（工人迟到）。

月薪数据还显示了工人当前的级别和职务（即具体的职位头衔）。如果工人有更高的级别或指定的工人技术更熟练，则更有可能被分配到技术复杂的操作（即SAM更高的操作，预计需要更长的时间才能完成）和最有可能导致成品服装生产线级产量瓶颈的关键操作。工人的报酬几乎完全是固定的月薪。

3.3 调查数据

除了上述数据之外，在2014年6月，也就是项目完成的月份，作者还对993名随机选择的接受治疗和对照的工人进行了一项调查。该调查包括与财务决策（包括储蓄和债务）以及对福利项目（政府或雇主赞助）的认识和参与有关的问题。还测量了人格特征（认真、外向、控制源、毅力和自给自足）、心理健康（希望/乐观、自尊和用于诊断中度至重度心理困扰的Kessler 10模块（Kessler et al.，2003）），以及使用彩票选择引发的风险和时间偏好。最后，这项调查涵盖了工人相对于同行的自我评估，假设按照生产力高低有六个等级，自己回答认为自己处在什么等级。

Table 1列出了主要变量的汇总统计数据，以及出勤率、高中毕业率、在公司任职年限、年龄、中等或以上技能等级指标和讲当地语言指标的基线值的平衡检查。实验组和对照组工人的变量是平衡的。

这篇文章的实证分析分几个步骤进行，首先测试本培训项目对留用率的影响。随后检验对生产力、薪酬、晋升以及与职业发展相关的调查指标的影响。

4.1 对留用率的影响

本文通过对下列模型进行回归分析，以测试P.A.C.E.培训是否影响留用率。

回归结果如 Table B1所示，显示在培训期间或之后对保留率没有显著影响。

除了留用率外，作者还用相同的模型分析了对如每日出勤、未经授权缺勤、累计人日和迟到的影响，结果也在附录中的表B1中给出。没有发现对这些结果有影响的证据。

4.2 操作复杂性和生产力

接下来，作者从生产力数据中研究培训对两个关键结果的影响：标准允许分钟数（SAM）和生产效率。如上所述，SAM衡量操作复杂性，效率是行业标准的生产力衡量标准，计算为生产的实际工件除以目标工件（后者源自SAM）。这两个变量只有在工人被工厂雇佣并在当天出现在工厂的情况下才能测量，因此作者在前文先分析了对工人保留率（留用率）的影响。

由于培训可能会影响服装的类型和分配给工人的任务，作者在表2中提出了几个不同的回归规范，以记录对生产线工作的特定服装风格和工人被分配的特定操作的控制如何改变估计的效果。在第1列和第4列的模型中，只在公式1中的模型中进一步添加了服装风格固定效应，以控制订单的大小和风格复杂性的任何变化。第1列中的结果表明，接受培训的工人在培训期间和培训后都被分配到更复杂的操作中。他们被分配的程序预计将多花约2.5秒（0.041分钟），比对照组平均值增加约7%。为了估计控制了操作复杂性后培训对生产力的影响，作者在列2和5中用工人*服装款式固定效应替换工人和服装款式的固定效应。列5的结果显示，确实控制服装复杂性后培训对生产率的影响大大增加。然而，尽管列2中的系数相对于列1的系数减小了，但仍表明操作复杂性的效应可能不是完全由工人和服装款式的固定效应解释。因此，在列3和6中，作者用包括工人、服装款式和操作的固定效应作为严格的控制，第3列的系数几乎为零，代表了服装生产种类的操作复杂性被完全控制住。

Table 2第6列报告了最严格规范下培训对生产率影响估计。结果表明，接受培训的工人在项目结束后（相对于宣布培训任务的月份）的效率提高了7.4个百分点，比对照组平均值提高了13.5%以上。项目完成后对生产力的影响更大，培训期间的系数小于培训后系数的一半。

4.3 薪资和职业发展

除了工人的出勤和生产力外，作者还研究了公司内的职业晋升。为了估计培训对职业晋升的影响，作者分别考虑了工人是否得到了加薪或晋升（使用月度工资数据）以及工人报告的晋升期望；工人最近是否申请（并获得）技能开发培训；是否获得生产激励；最后，他们如何评估自己相对于生产线上所有工人的能力，以及相对于和他们有相同技术技能等级的工人的能力。

Table 3的第1列显示了在培训公布期间以及培训期间和之后比较接受培训的工作者和对照工作者的估计结果。在项目完成后的这段时间里，培训人员的工资只增加了0.5%，相当于每月约45印度卢比（.75美元）。因此，尽管被分配到更复杂的作业中，生产力也大大提高，但在项目完成后的18个月里，接受培训的工人并没有得到有意义的更高工资。

Table 3第2列列出了以相同月薪数据衡量的对晋升的影响，发现在项目完成后的一年半内，接受治疗的工人晋升的可能性比对照组工人高4.7个百分点（其中13.4%在观察期结束时晋升）。综合来看，第1栏和第2栏的结果表明，公司通过头衔晋升来奖励那些生产力更高的员工，但这种晋升并没有带来工资的大幅增长。

接受培训的员工报告他们希望在未来六个月内升职的可能性高出约8.5个百分点（约为对照组平均值的15%），要求技能发展培训的可能性高近16个百分点（对照组平均数的63%）。他们不太可能报告自己获得了生产激励或奖励，但相对于同行同事，他们对自己的评价更高。具体而言，当被要求相对于相同技术技能等级的工人对自己进行排名时，他们更有可能将自己评为更高的水平（如第6列所示）。

4.4 生产力溢出和与管理

团队合作的改善可以推动生产力的提高，那么未经培训的同事与受过培训的员工一起工作也同样能反映出团队合作的改进。回想一下第2.2节中的描述，该实验是专门设计的，通过两阶段随机筛选捕捉生产线内的溢出效应，在该项目中，生产线首先被随机分配到试验或对照组，然后在实验组生产线内，参加P.A.C.E.抽签的工人被随机分配给治疗或溢出组。为了估计对与受过培训的工人互动的未经培训的工人的影响，作者采用了表2第6列的规范，将二元处理变量替换为二元溢出处理变量。

该变量将实验组生产线中未经培训的工人（参加彩票但未接受该计划的工人，并在生产线中与接受培训的工人一起工作的工人）与控制组生产线中的对照工人进行比较。

结果如表5第1列所示，表明实验组生产线上未经培训的同事在该项目后确实变得更有效率。表5第1列和表2第6列之间的系数大小比较表明，处理对生产力的直接影响有80%以上会波及到同一生产线上未经培训的工人的生产力上。这在很大程度上反映了团队合作的改善（未经培训的同事将从中受益），而不是课程或其他机制的其他要素。

鉴于支持同事间改善团队协作可以提升生产力的证据，作者还探讨了这种改进的协作如何与生产线主管的付出和领导风格相互影响。作者对处理和溢出效应的异质性进行估计，本部分主要关注两个方面：关注和自主

关注因素反映了管理者在协调员工和生产线各环节之间，以避免生产完成服装产出出现瓶颈所付出的努力。如果这种管理努力在很大程度上消除了同事间需要大量交流和协调的必要，我们可能会预期，通过提升员工团队合作技能而获得的生产力增益在更加专注的管理者监管的生产线上会相对较小。表5的第2列和第4列的结果确实显示，在平均关注度的主管管理的生产线上，溢出效应和处理效应较大，但在关注度高于平均值1个标准差的主管管理的生产线上，这两种效应减少了80-90%。

自主因素体现了管理者在不需向上级管理层咨询的情况下，对生产流程进行更改的意愿和能力。如果提高生产力的处理效应在一定程度上是由于工人们在向他们的生产线主管有效传达需求和问题（例如，机器校准问题，需要助手完成操作等）方面的信心和能力提高，那么我们可能认为，那些主管自主管理意愿越高的生产线的生产率提升的越高。表5的第3列和第5列的结果确实表明，若主管处在平均自主水平的生产线上，溢出效应和处理效应同样比较大，并且在主管表现出高于平均水平1个标准差的自主水平的生产线上，这两种效应增加了约75%。

作者研究了软技能培训对劳动力市场和工作场所结果的影响，将随机安置纳入印度女性服装工人的在职软技能培训计划，并对生产力、保留率、工资和其他调查结果进行详细测量，以描述这种培训对工人和公司的影响。结果发现，软技能的提高会对生产力产生巨大而持久的影响，似乎是通过改善团队合作和协作，但对工资和营业额的影响可以忽略不计。这些结果与劳动力市场不完善的理论一致，并表明公司从劳动力边际生产力的提高中获得了大部分收益。

考虑到公司内部员工的在职环境和两阶段随机化，本文能够直接估计培训对个人生产力的影响以及对未经培训的同事的溢出影响。这种个人层面的分析使我们能够记录软技能的提高对生产力产生最大影响的对象和条件。我们发现，当受训人员与其他同事（特别是接受过治疗的同事）一起在运营团队工作时，生产力的提高最为明显，在未接受治疗的同事中也有反映，这与团队合作和协作的改善所带来的增益一致。从这个意义上说，我们的研究结果突出了团队合作和协作技能在工作场所的生产价值，而在印度等传统教育体系中，这一点往往没有得到充分重视（Kurtz，1990；Kurtz等人，1988年）。

本文的工作与女性劳动力参与（LFP）和就业结果的文献有关，特别是在低收入国家背景下（Heath和Jayachandran，2016）。如何提高女性LFP和女性职业发展的政策问题在印度尤为突出，考虑到印度的发展水平，印度女性LFP水平不仅异常低（印度在131个国家中女性LFP排名第120位（Chatterjee et al.，2015）），而且在1987年至2009年间，农村地区的女性LFP大幅下降，尽管生育率发生了转变，经济增长相对强劲（Afridi等人，2016）。研究女性职业前景的改善，或如本文所做的软技能培训和由此产生的生产力提高和晋升，可以有助于我们理解女性劳动力参与的决定因素，并进行相应的政策干预。

Abstract